دراسة أترابية بايزية
- قدّمه
- Bayesian framework: Thomas Bayes / Pierre-Simon Laplace; applied to cohort epidemiology from the 1990s onward
- السنة
- 1990s–2000s (widespread adoption in epidemiology)
- النوع
- Observational longitudinal study with Bayesian inference
- العائلة
- Clinical / epidemiology
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
تتبع دراسة أترابية بايزية مجموعة محددة من الأفراد بمرور الوقت لتقدير معدل الوقوع، أو الخطر، أو معدل النتائج، مع استخدام الاستدلال الإحصائي البايزي لدمج المعرفة المسبقة وقياس عدم اليقين من خلال توزيعات الاحتمالية اللاحقة بدلاً من قيم p الكلاسيكية وفترات الثقة. إنها تجمع بين التصميم الرصدي الطولي لدراسة أترابية ومنطق تحديث الاحتمالية للتحليل البايزي، مما يسمح بقياس عدم اليقين بشكل أغنى والتحديث المتسلسل مع تراكم البيانات.
الفكرة الحدسية وراء الطريقة
في دراسة أترابية قياسية، تقوم بتجنيد مجموعة من الأشخاص، ومراقبة من يصاب بالنتيجة بمرور الوقت، ثم حساب معدل وقوع تكراري أو نسبة خطر مع فترة ثقة بنسبة 95%. تقوم دراسة أترابية بايزية بنفس المتابعة ولكنها تسأل: بالنظر إلى ما كنا نعرفه بالفعل قبل الدراسة (مشفر كتوزيع مسبق)، وبالنظر إلى البيانات الجديدة التي جمعناها للتو (الاحتمالية)، ماذا يجب أن نعتقد الآن بشأن الخطر الحقيقي أو الوفيات (التوزيع اللاحق)؟ التوزيع اللاحق هو منحنى احتمالية كامل - يمكنك قراءة احتمالية تجاوز الخطر لأي عتبة، والتواصل حول فترات موثوقة يسهل تفسيرها مقارنة بفترات الثقة التكرارية، وتحديث معتقداتك مرة أخرى عندما تصل الموجة التالية من البيانات.
التاريخ
يعود تاريخ نظرية الاحتمالات البايزية إلى توماس بايز (1763) وامتدت بواسطة بيير سيمون لابلاس. اكتسب تطبيقها في علم الأوبئة زخمًا عمليًا في التسعينيات عندما أصبحت خوارزميات سلسلة ماركوف مونت كارلو ممكنة حسابيًا. جادلت أوراق ساندر جرينلاند المؤثرة في المجلة الدولية لعلم الأوبئة (2006-2007) بشكل منهجي لصالح الأساليب البايزية وشبه البايزية في علم الأوبئة الرصدي. قام سبايجل هالتر وزملاؤه في كتابهم المدرسي عام 2004 بتدوين الأساليب البايزية للتجارب السريرية وتقييم الرعاية الصحية، مما وفر الدعم المنهجي الذي تم اعتماده على نطاق واسع للدراسات الأترابية بعد ذلك.
متى تُستخدم
استخدام دراسة أترابية بايزية عندما يكون لديك دليل مسبق معلوماتي (مثل بيانات أترابية سابقة، تقديرات تحليل تلوي، سابقة تنظيمية) يمكن دمجه رسميًا لشحذ الاستدلال، أو عندما تحتاج إلى بيانات احتمالية مباشرة حول المعلمات بدلاً من قيم p التكرارية. وهي مفضلة أيضًا للمراقبة المتسلسلة أو التكيفية للبيانات الأترابية المتراكمة وللنتائج النادرة حيث يمكن للتوزيع المسبق أن يعوض جزئيًا عن الأحداث المحدودة. لا تستخدمها عندما يكون تحديد التوزيع المسبق محل خلاف كبير ولن يقبل أصحاب المصلحة مكونًا ذاتيًا في التحليل، أو عندما يتطلب سياق البحث إطارًا لاختبار الفرضيات بشكل بحت. دراسة أترابية تقليدية تم تحليلها بنماذج مختلطة التأثيرات أو نماذج كوكس أبسط عندما تكون العينة كبيرة، والتوزيعات المسبقة غير معلوماتية، ولا يتم التخطيط للتحديث المتسلسل.
الحدود والاعتبارات
- يتطلب تحديد التوزيع المسبق تبريرًا؛ التوزيعات المسبقة المختارة بشكل سيء أو غير المعلنة يمكن أن تحيز النتائج دون أن تكون واضحة للقراء.
- حسابات MCMC أبطأ وأكثر تطلبًا من الناحية الفنية من البرامج التكرارية القياسية؛ يجب التحقق من التقارب.
- قد تكون النتائج أصعب في التواصل مع الجماهير السريرية أو السياسية غير المألوفة بالتوزيعات اللاحقة والفترات الموثوقة.
- لا تزال الوكالات التنظيمية ومراجعو المجلات في بعض المجالات يتوقعون تحليلات أولية تكرارية؛ قد يتم تخصيص التحليلات البايزية للمواد التكميلية.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- تسمح بالدمج الرسمي للأدلة الخارجية أو المعرفة الخبيرة من خلال التوزيعات المسبقة، مما يحسن الكفاءة للنتائج النادرة.
- تنتج احتمالات لاحقة قابلة للتفسير بشكل مباشر (مثل 'احتمالية أن يتجاوز معدل الوقوع X') - أكثر بديهية من قيم p التكرارية.
- تدعم التحليلات المتسلسلة والتكيفية: التوزيع اللاحق من موجة يصبح هو التوزيع المسبق للموجة التالية، مما يتيح تحديث المعتقدات بشفافية.
- للفترات الموثوقة تفسير احتمالي تفترض خطأً أن الفترات الثقة التكرارية تمتلكه غالبًا.
- تستوعب بشكل طبيعي البيانات المفقودة والهياكل الهرمية من خلال إطار النمذجة التوليدية.
التطبيقات
- تقدير معدل وقوع السرطان والمخاطر النسبية في مجموعات مهنية أو بيئية مع بيانات مسبقة من دراسات السجل.
- مراقبة فعالية اللقاحات في المراقبة الأترابية بعد الترخيص مع التحديث المتسلسل مع تراكم المتابعة الجديدة.
- تقييم معدلات الأحداث القلبية الوعائية في المجموعات الأترابية الطولية للمرضى حيث تتوفر توزيعات مسبقة معلوماتية من التجارب السريرية.
- دراسة معدل وقوع الأمراض النادرة في المجموعات الأترابية المستندة إلى السجلات حيث يعمل انكماش بايز على استقرار التقديرات للخلايا الصغيرة.
- مجموعات السلامة الدوائية الوبائية حيث تقبل الهيئات التنظيمية التحليلات البايزية الثانوية جنبًا إلى جنب مع التحليلات الأولية التكرارية.
كيف يعمل
كيف يعمل
تحديد المجموعة الأترابية: السكان المستهدفون، معايير الأهلية، التعرض محل الاهتمام، النتيجة (النتائج)، ومدة المتابعة المخطط لها. التسجيل المسبق لخطة التحليل بما في ذلك اختيار التوزيعات المسبقة ونموذج الاحتمالية. هذه الخطوة تعكس تخطيط دراسة أترابية قياسية وهي حاسمة للشفافية.
تحديد التوزيعات المسبقة p(theta) لكل معلمة رئيسية (مثل معدل الوقوع، نسبة الخطر). قد تكون التوزيعات المسبقة معلوماتية (مبنية على دراسات سابقة أو رأي الخبراء)، أو معلوماتية بشكل ضعيف، أو غير معلوماتية. يجب التخطيط لتحليلات الحساسية مع توزيعات مسبقة بديلة في هذه المرحلة.
الصيغة
p(\theta)
تجنيد المجموعة الأترابية ومتابعة المشاركين بشكل استباقي (أو استخلاص السجلات بشكل رجعي). قياس حالة التعرض، والمتغيرات المرافقة، وحدوث النتيجة على فترات منتظمة. تنطبق مبادئ جودة بيانات الدراسة الأترابية القياسية: تقليل الفقد في المتابعة ومعالجة العوامل المربكة المتغيرة مع مرور الوقت.
بناء دالة الاحتمالية L(theta | data) التي تربط النتائج المرصودة بمعلمات الاهتمام. تشمل النماذج الشائعة الانحدار بواسون لمعدلات الوقوع، ونماذج كوكس أو وايبل للنتائج الزمنية حتى وقوع الحدث، والانحدار اللوجستي للخطر التراكمي. في الإعدادات البايزية، يتم ترميز هذه النماذج في لغات برمجة احتمالية مثل Stan أو JAGS.
الصيغة
L(\theta | \text{data})دمج التوزيع المسبق والاحتمالية عبر نظرية بايز للحصول على التوزيع اللاحق p(theta | data) يتناسب مع p(theta) مضروبًا في L(theta | data). يتم إجراء التقدير عادةً باستخدام أخذ عينات سلسلة ماركوف مونت كارلو (MCMC). يجب تقييم تشخيصات التقارب (Gelman-Rubin R-hat، الرسوم البيانية المتتبعة) قبل تلخيص النتائج.
الصيغة
p(\theta | \text{data}) \propto p(\theta) \cdot L(\theta | \text{data})تلخيص التوزيعات اللاحقة بتقديرات نقطية (وسيط أو متوسط لاحق)، وفترات موثوقة بنسبة 95%، وبيانات احتمالية (مثل 'احتمالية أن نسبة الخطر > 1 هي 0.97'). الإبلاغ عن مواصفات التوزيعات المسبقة وتحليلات الحساسية. اتباع إرشادات الإبلاغ عن الدراسات الأترابية STROBE وتكملتها بعناصر خاصة بالبايزية مثل تبرير التوزيع المسبق وتشخيصات MCMC.
الأخطاء الشائعة
- اختيار توزيع مسبق معلوماتي لدعم نتيجة مرغوبة عن قصد - يجب الإبلاغ عن تحليلات حساسية التوزيع المسبق حتى يتمكن القراء من الحكم على المتانة.
- الفشل في تقييم تقارب MCMC قبل الإبلاغ عن التوزيعات اللاحقة - السلاسل غير المتقاربة تنتج تقديرات معلمات لا معنى لها.
- الخلط بين الفترات الموثوقة وفترات الثقة في التفسير - كلاهما صالح ولكنهما يجيبان على أسئلة مختلفة؛ لا تخلط بين اللغة.
- تجاهل التهديدات القياسية للدراسات الأترابية للصلاحية (تحيز الاختيار، الفقد في المتابعة، العوامل المربكة المتغيرة مع مرور الوقت) - الاستدلال البايزي لا يحل عيوب التصميم.
- تطبيق توزيع مسبق غير معلوماتي عندما توجد أدلة خارجية قوية - هذا يتجاهل معلومات مفيدة وغالبًا ما ينتج نفس نتيجة التحليل التكراري دون مزايا البايزية.
الأسئلة الشائعة
هل دراسة أترابية بايزية رصدية أم تجريبية؟
إنها رصدية. يشير الجزء 'البايزي' إلى إطار التحليل الإحصائي، وليس تصميم الدراسة. تصميم المجموعة الأترابية - متابعة مجموعة محددة بمرور الوقت دون تلاعب تجريبي - لم يتغير. يتم تطبيق الأساليب البايزية في مرحلة التحليل لتقدير معلمات الوقوع أو الخطر أو الوفيات.
كيف أختار التوزيع المسبق؟
يجب أن تعكس التوزيعات المسبقة المعرفة الحقيقية قبل الدراسة: التحليلات التلوية المنشورة، بيانات أترابية سابقة، أو استخلاص منظم للخبراء. التوزيعات المسبقة المعلوماتية بشكل ضعيف (مثل نصف طبيعي على لوغاريتمات نسب الخطر) هي خيار افتراضي قابل للدفاع عنه عندما تكون الأدلة الخارجية متفرقة. قم دائمًا بالإبلاغ عن التوزيع المسبق وقم بإجراء تحليلات حساسية مع توزيع مسبق بديل واحد على الأقل لإظهار مدى قوة الاستنتاجات.
هل يمكنني استخدام برامج قياسية مثل R أو Stata؟
نعم. لغة البرمجة الاحتمالية Stan (عبر واجهات RStan أو CmdStanR في R) هي المنصة الأكثر استخدامًا لنماذج المجموعات الأترابية البايزية. JAGS (عبر rjags) هو بديل. تتوفر أيضًا نماذج البقاء على قيد الحياة البايزية من خلال حزمة brms في R، والتي توفر واجهة قائمة على الصيغة لـ Stan. يمكن إعادة تحديد تحليلات المجموعات الأترابية التكرارية القياسية في R أو Stata في هذه الأدوات البايزية بجهد إضافي متواضع.
هل التحليل البايزي يعوض عن مجموعة أترابية صغيرة؟
يمكن للتوزيعات المسبقة المعلوماتية تحسين الدقة عندما تحتوي المجموعة الأترابية على عدد قليل من الأحداث، ولكنها لا تستطيع إنقاذ دراسة ضعيفة القوة بشكل أساسي. إذا كان التوزيع المسبق هو المهيمن لأن البيانات متفرقة للغاية، فإن الاستنتاجات تعكس المعتقدات المسبقة أكثر من الأدلة الجديدة. يعد الإبلاغ الشفاف عن هذا المقايضة وتحليلات حساسية التوزيع المسبق أمرًا ضروريًا.
كيف يختلف هذا عن تجربة سريرية عشوائية بايزية؟
الفرق الأساسي هو التصميم: التجربة السريرية العشوائية تقوم بتعيين التعرض تجريبيًا، مما يتيح الاستدلال السببي؛ تلاحظ دراسة المجموعة الأترابية التعرضات التي تحدث بشكل طبيعي ويجب أن تتحكم في العوامل المربكة تحليليًا. يمكن لكليهما استخدام الاستدلال البايزي في مرحلة التحليل، ولكن التحكم في العوامل المربكة (عبر درجات الميل، أو تعديل الانحدار، أو طرق g) يظل ضروريًا في نسخة المجموعة الأترابية وغير ضروري في تجربة عشوائية بشكل صحيح.
طرق ذات صلة
المصادر
Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.
ردمك: 978-0471499756تم النسخ.Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765–775.
افتح مرجع DOIتم النسخ.